Jan, 2024

通过句法树修剪进行机器翻译测试

PDF
TL;DR通过基于语法树修剪的新型变异测试方法，验证机器翻译系统以提高准确性和可靠性；在 Google 翻译和 Bing 微软翻译中准确检测出 5073 和 5100 种错误翻译，比现有技术增加了 400%，错误翻译类型多样且大部分现有技术无法捕获，而新方法对原始句子的检测召回率达到 74.0%，平均比现有技术提高了 55.1%。
发现论文，激发创造
  • 基于字符串到树的神经机器翻译方法

    本文介绍了一种简单的方法，通过翻译成线性化的、词汇化的组成树来融合有关目标语言的语法信息，实验结果表明，与同一数据集上训练的语法无关的神经机器翻译系统相比，WMT16 德英新闻翻译任务的 BLEU 评分得到了明显提升。对语法感知系统的翻译进行分析后发现，它在翻译过程中进行了更多的重排。小规模人类评估也表明了语法感知系统的优势。

    Apr, 2017

  • 为下一个千种语言构建机器翻译系统

    描述了我们构建跨越 1000 个语言翻译的实用机器翻译系统的努力，包括构建干净的数据集、使用监督并行数据训练的大规模多语言模型和单语数据集以及研究评估语言的限制和误差模式。

    May, 2022

  • 印度语言的统计机器翻译

    本文介绍了使用 SMT 技术和 MOSES 工具包开发双语 SMT 模型，实现英语和十五种低资源印度语言之间的翻译，包括使用 BLEU，METEOR 和 RIBES 等标准指标对翻译质量进行评估。

    Jan, 2023

  • 利用机器翻译对提高语法错误校正的效果

    提出了一种新颖的数据合成方法，以生成多样的句子对，用于改善语法错误纠正，该方法基于两个不同质量（即较差和较好）的机器翻译模型对。实验结果表明，我们的方法是有效的，可以与其他合成数据源相结合，以产生进一步的改进。

    Nov, 2019

  • SUT: 转换器模型的主动缺陷探测

    自动程序翻译具有巨大的应用价值，但当前的翻译模型在基本的语法错误方面仍存在问题。本论文介绍了针对编程语言翻译的新指标和一套包括高度可解释的评估工具的测试套件，实验证明即使是像 ChatGPT 这样强大的模型在基本单元测试上也存在错误。

    Oct, 2023

  • 翻译过程中翻译技巧的预测

    本研究发现提前识别翻译技巧并应用于机器翻译过程可以进一步优化机器翻译，通过不同实验对从头翻译和后编辑两种翻译过程进行了预测，预测准确率分别达到 82% 和 93%。

    Mar, 2024

  • 神经机器翻译的预翻译

    使用词汇短语转换（phrase-based machine translation）方法预处理输入，进而提升神经机器翻译（NMT）的翻译质量，在英德翻译任务中，使用该方法的性能跃升 2 个 BLEU 分数，同时分析了初始系统质量对最终结果的影响。

    Oct, 2016

  • 神经网络翻译模型用于语法纠错

    本文介绍了使用神经网络全局词汇模型和神经网络联合模型来改善基于短语的统计机器翻译系统的局限性，通过对源句子的环境信息进行更有效地利用，显著提高了语法错误纠正的准确性。

    Jun, 2016

  • 利用自动化单元测试进行无监督代码转换

    通过利用自动化单元测试系统过滤掉无效翻译从而创建一个完全测试的平行语料库，并利用这个过滤后的数据集对非监督模型进行微调，显著减少所产生的噪声，在 Java $ o$ Python 和 Python $ o$ C++ 方向上，与所有先前的最佳方法相比，分别取得了超过 16% 和 24% 的优异成绩，将错误率降低了超过 35%。

    Oct, 2021

  • 基于短语的机器翻译是自动语法错误修正的最先进技术

    本研究通过在 Moses tuning framework 中应用 M^2 作为打分标准来研究自动语法纠错（GEC）任务的参数调整，发现对于纠错的稀疏特征进行优化时存在奇怪的行为，并提出了部分解决方案。最终在 CoNLL-2014 测试集上，我们引入了新的密集和稀疏特征，将现有的 GEC 技术水平提高至 49.49% M^2，超过以往文献的 41.75% 的最高性能水平。

    May, 2016